근본 원인 분석(RCA)Root Cause Analysis
불량 · 수율 손실이 확인된 뒤, 공정 · 장비 이력과 센서 데이터로 원인 후보를 좁히고 인과를 확인해 «고치면 재발까지 막는 원인»을 찾는 일이다. 사람의 5 Why · 특성 요인도와 데이터의 경로 비교 · 특징 중요도 · 인과 탐색이 단계를 나눠 맡는다.
1요약
- 근본 원인 분석은 수율 · 품질 예측 가운데, 수율 손실이 확인된 뒤 도는 일로, 미국 에너지부 지침은 근본 원인을 «고치면 이 사건과 비슷한 사건의 재발까지 막는 원인»으로 정의해 직접 · 기여 원인과 나눈다(NE-STD-1004-92 2절) — 그 위에서 사람의 5 Why · 특성 요인도와 데이터의 경로 비교 · 특징 중요도 · 인과 탐색이 단계를 나눠 맡는다.
- 원인은 단계마다 장비가 여럿인 수백 단계 안에 숨고, 장비 하나가 아니라 장비 조합일 때도 많다(Hsu 외 2012 1절) — 이 글의 합성 사례에서 장비 단독 불량률은 D2 29.4% · E2 32.0% 로 비슷했지만 경로 D2 → E2 만 56.0% 였다.
- 「원인 신호를 찾았는데 고쳐도 그대로다」는 같은 장비 안에서도 그 신호가 불량과 함께 움직이는가로 가른다 — 안에서 사라지면 장비를 가리키는 표지 신호이고, 남으면 원인 후보다.
2등장 배경
수율이 떨어지면 엔지니어는 회의실에서 특성 요인도(fishbone)를 그리고 「왜」를 거듭 묻는다. 후보는 참석자가 아는 것에 묶이고, 신호 수백 개와 장비 수십 대의 이력을 손으로 맞대는 사이 원인 장비는 다른 웨이퍼를 계속 처리한다.
Ohno 의 생산 방식 책은 문제 하나에 「왜」를 다섯 번 묻는 습관을 현장 방법으로 퍼뜨렸다(Ohno 2019). 1992년 미국 에너지부는 자료 수집 · 평가 · 시정 · 알림 · 후속 확인의 다섯 단계와 변화 분석 · 장벽 분석 같은 기법 표를 지침으로 묶었다(NE-STD-1004-92 1절). 1991년 Spirtes · Glymour 는 관측 자료에서 인과 그래프를 찾는 PC 알고리즘을 냈고(Spirtes 1991), 2009년 Pearl 은 인과 결론 뒤에는 늘 검증되지 않은 인과 가정이 있다는 원칙과 뒷문 기준을 정리했다(Pearl 2009 2 · 3.3.1절). 2012년 Hsu 외는 장비를 하나씩 고르는 탐색이 장비 조합 원인을 놓친다고 보였다(Hsu 외 2012 1절).
지금은 학습 모델이 후보 좁히기를 맡는다 — 2022년 리뷰가 고른 제조 RCA 논문 30편에서 CNN 이 23% 로 가장 많았다(Papageorgiou 2022). 같은 일을 IT 운영에서는 IT 서비스 관리(ITSM)의 문제 관리가 맡고, 이 글은 제조 불량 · 수율 손실 쪽을 다룬다.
3쉽게 이해하기 — 제빵사 수아의 덜 익은 식빵
빵집 주인 수아는 반죽기 두 대와 오븐 두 대로 하루 60개의 식빵을 굽는다. 열하루째부터 속이 덜 익었다는 손님 불만이 다섯 배로 늘었다. 수아는 작업 장부에서 식빵마다 지난 반죽기 · 오븐을 맞대어 보고, 반죽기 2번에서 오븐 B 로 간 식빵만 덜 익는다는 것을 찾는다. 그 식빵의 반죽 무게를 재어 보니 정비를 받은 반죽기 2번이 반죽을 더 크게 내고 있었고, 타이머로만 굽는 오븐 B 는 큰 반죽을 다 익히지 못했다.
그림 1 · 수아는 불만을 받고, 장부로 반죽기 · 오븐 경로를 맞대고, 무게를 재고, 왜를 거듭 물은 뒤 시험 굽기로 확인한다.
그림 2 · 「왜」를 거듭해 내려간 사슬의 끝은 장비가 아니라 절차다 — 오븐 B 를 바꾸면 이번 불만만 줄고, 정비 뒤 확인 절차를 고치면 다음 정비 때도 막힌다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 손님 불만 | 문제 정의 | 불량 이름 · 기간 · 불량률 변화를 숫자로 적는다 |
| 작업 장부 | 공정 · 장비 이력 | 웨이퍼마다 지난 단계 · 챔버 · 시각 · 센서 요약 값을 잇는다 |
| 경로 맞대기 | 경로 · 공통성 비교 | 장비 하나 · 장비 조합별 불량률을 견준다 |
| 반죽 무게 | 원인 신호 · 조건부 비교 | 같은 장비 안에서도 불량과 함께 움직이는 신호를 남긴다 |
| 오븐 타이머 | 직접 원인 | 불량을 바로 낸 조건(고정 식각 시간) |
| 왜 다섯 번 | 5 Why · 원인 사슬 | 직접 원인에서 절차 · 관리 원인까지 거슬러 간다 |
| 시험 굽기 | 확인 실험 | 원인 조건만 바꾼 웨이퍼로 인과를 확인한다 |
| 수아 | 공정 · 수율 엔지니어 | 후보를 장비 지식으로 거르고 시정을 정한다 |
⚠ 비유가 맞지 않는 곳: 수아는 덜 익은 빵을 손님 불만 하루 만에 알지만, 웨이퍼의 잔막 불량은 수십 단계 뒤 테스트에서야 드러난다. 빵집은 장비가 네 대뿐이라 경로가 넷이지만, 팹은 수백 단계라 조합 수가 사람 손으로 셀 수 없이 많다.
4구조 — 사람 기법과 데이터 기법의 분담
근본 원인 분석은 여섯 단계로 나뉘고, 단계마다 사람과 데이터 · 모델이 맡는 몫이 다르다. 후보를 만드는 일과 인과를 정하는 일은 사람이, 수백 신호 · 수십 장비에서 후보를 좁히는 일은 데이터 기법이 맡는다.
그림 3 · 후보를 만들고 확정하는 일은 사람 쪽에, 후보를 좁히는 세 단계는 데이터 쪽에 있다 — 데이터 기법은 사람 기법 사이에 끼어 일한다.
| 단계 | 맡는 쪽 | 입력 | 출력 | 대표 기법 · 근거 |
|---|---|---|---|---|
| ① 문제 정의 | 사람 | 테스트 결과 · 불량 이름 | 기간 · 불량률 · 범위 | 문제 확인 · 중대성 판단(NE-STD-1004-92 1절) |
| ② 후보 생성 | 사람 | 공정 지식 · 변경 기록 | 후보 목록 | 특성 요인도 · 변화 분석(같은 지침 5.2.2절) |
| ③ 좁히기 | 데이터 | 장비 이력 | 장비 · 조합 순위 | 공통성 · 경로 비교(Hsu 외 2012) |
| ④ 원인 신호 | 데이터 · 모델 | 센서 · 계측 표 | 신호 순위 | 상관 · 특징 중요도 · SHAP |
| ⑤ 인과 확인 | 데이터 + 사람 가정 | 신호 표 + 공정 순서 | 인과 그래프 · 조정한 효과 | 조건부 비교 · PC(Spirtes 1991) |
| ⑥ 확인 · 시정 | 사람 | 설계한 웨이퍼 묶음 | 효과 · 근본 원인 · 시정 | 확인 실험 · 5 Why · 후속 확인 |
5동작 — 잔막 불량 1,200장의 원인 좁히기
설명용 합성 데이터로 여섯 단계를 끝까지 따라간다 — numpy 2.4.3 · default_rng(0)(시드 0 하나) · 직접 실행(합성 데이터). 가정 값: 하루 60장 × 20일 · 증착 챔버 D1 · D2 → 식각 챔버 E1(종료점 검출 · 10% 추가 식각) · E2(고정 시간 61초 · 식각 속도 8.5 nm/s) 를 무작위로 지나고, 11일에 D2 가 정비를 받아 막이 18 nm 두꺼워진다.
- 문제를 정의한다 — 잔막 불량률이 1 ~ 10일 3.2%(19/600)에서 11 ~ 20일 17.8%(107/600)로 오른다.
- 변화 분석으로 두 기간 사이 바뀐 것을 장비 이력에서 찾는다 — 11일 D2 정비 한 건이 나오고(NE-STD-1004-92 5.2.2절), 특성 요인도로 장비 · 재료 · 방법 · 사람 후보를 적는다.
- 장비 하나씩 비교한다 — 11일 뒤 D2 29.4%(91/310) · E2 32.0%(101/316) 가 둘 다 높아 어느 한쪽으로 정하지 못한다.
- 경로로 비교한다 — D2 → E2 가 56.0%(89/159)이고 나머지 세 경로는 1.3 ~ 7.6% 다. 원인은 장비 하나가 아니라 조합이다(Hsu 외 2012 1절).
- 신호 순위를 매긴다 — 11일 뒤 600장에서 불량과의 상관은 막 두께 0.35 · 식각 챔버 벽 온도 0.33 · 챔버 압력 −0.03 으로, 벽 온도가 1위와 거의 같다.
- 조건부로 다시 본다 — E2 를 지난 316장만 놓으면 벽 온도는 −0.03 으로 사라지고 막 두께는 0.60 으로 남는다. 막 두께 512 nm 이상은 61.9%(83/134) · 505 nm 미만은 3.9%(5/127) 이고, D2 평균 두께는 정비 전 499.9 nm 에서 517.8 nm 가 됐다.
- 사슬을 닫고 확인한다 — E2 는 61초 × 8.5 nm/s = 518.5 nm 만 걷어 518 nm 막에 여유가 없다. 「왜」를 거듭하면 정비 뒤 인정 시험에 두께 항목이 없었다는 데 닿고, 두꺼운 D2 웨이퍼 25장씩 확인 실험에서 불량은 E1 1장 · E2 61초 12장 · E2 64초 0장이다.
시드를 0 ~ 9 로 바꿔도 D2 → E2 불량률은 46 ~ 58%, 나머지 경로는 10% 미만이고, 벽 온도는 열 번 모두 상관 1 ~ 2위에 든다.
그림 4 · 장비 단독 막대는 D2 와 E2 가 비슷하게 높지만, 경로 막대는 D2 → E2 하나만 솟는다 — 원인은 조합이다.
그림 5 · 벽 온도는 E2 를 가리키는 표지라 E2 안에서 상관이 사라지고, 막 두께는 E2 안에서 더 커진다 — 조건부로 남는 신호만 인과 사슬 위에 있다.
🔑 상관 순위는 «무엇이 불량과 함께 움직였나»를 말하고, 근본 원인 분석은 «그것을 바꾸면 불량이 바뀌나»를 묻는다 — 같은 장비 안에서 다시 보고, 마지막은 확인 실험으로 닫는다.
6비교 — 원인 좁히기 방식 여섯 가지
| 방식 | 입력 | 출력 | 잘 잡는 원인 | 약한 곳 |
|---|---|---|---|---|
| 5 Why · 특성 요인도 | 사람 지식 · 회의 | 원인 사슬 · 후보 목록 | 절차 · 관리 원인(사례 7단계) | 참석자가 모르는 후보는 없음 · 데이터 검증 없음 |
| 변화 분석 | 정상 · 이상 기간의 차이 | 바뀐 요소 | 정비 · 자재 교체 같은 단일 변경 | 뻔한 답을 받아들일 위험(NE-STD-1004-92 표 1) |
| 공통성 · 경로 비교 | 장비 이력 | 장비 · 조합 순위 | 챔버 · 장비 조합(사례 4단계) | 단계 수만큼 조합이 늘어 우연 겹침이 생김(Hsu 외 2012 1절) |
| 특징 중요도(상관 · SHAP) | 센서 · 계측 표 | 신호 순위 | 수백 신호 중 함께 움직인 것 | 표지 · 결과 신호도 위로 올림(사례 5단계) |
| 인과 탐색(조건부 비교 · PC) | 신호 표 + 공정 순서 | 인과 그래프 · 조정한 효과 | 표지 신호를 걸러 낸 원인 신호 | 인과 가정 · 숨은 변수에 기댐(Pearl 2009 2절) |
| 확인 실험(DOE) | 원인 조건만 바꾼 웨이퍼 | 효과 크기 | 인과 확정 | 웨이퍼 · 장비 시간을 씀(사례 75장) |
분석데이터 기법 셋은 «후보를 좁히는» 순서로 쓰고, 근본 원인의 확정은 5 Why 와 확인 실험에 맡긴다. 근거는 사례 5 · 6단계 — 상관 2위 벽 온도는 조건부 비교에서 사라졌고, 인정 시험의 빈칸은 어떤 센서 표에도 없는 절차 원인이었다.
7실무 진단 — 원인 분석이 헛돌 때
분석시정했는데도 불량이 그대로면, 먼저 고른 원인 신호를 같은 장비 안에서 다시 보고, 다음에 장비 조합을, 마지막에 원인 사슬이 절차까지 갔는지 본다. 표지 신호를 고치는 일은 비용만 들고(표 1행), 조합을 놓치면 장비 하나를 세워도 불량이 다른 경로로 남는다(표 2행).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 상위 신호를 고쳐도 불량이 그대로 | 장비 표지 · 결과 신호를 원인으로 읽음 | ④ · ⑤ 원인 신호 | 장비 · 단계별 조건부 상관 | 같은 장비 안 상관이 0 근처면 표지(사례 0.33 → −0.03 · Pearl 2009 3.3.1절) |
| 2 | 장비 단독 순위 1 · 2위가 비슷함 | 장비 조합 원인 | ③ 좁히기 | 경로별 불량률 | 한 경로만 높으면 조합(사례 56.0% ↔ 7.6% 이하 · Hsu 외 2012 1절) |
| 3 | 시정 뒤 다른 장비에서 같은 불량 재발 | 직접 원인만 고침 | ⑥ 확인 · 시정 | 5 Why 끝 단계 · 비슷한 장비의 절차 | 그 원인을 고치면 비슷한 사건도 막는가(NE-STD-1004-92 2절 근본 원인 정의) |
| 4 | 확인 실험에서 차이가 안 남 | 표본 부족 · 원인 조건을 못 바꿈 | ⑥ 확인 · 시정 | 실험 웨이퍼 수 · 바꾼 조건 | 같은 묶음 안 비교 · 조건 하나만 바꿈(실험 계획법(DOE) 원칙) |
8시험 대비
시험에서는 근본 원인 분석의 정의와 전통 기법 · AI 기법의 분담을 쓰는 정의 · 특징형, 그리고 수율 손실이 났을 때 원인을 좁히는 순서를 쓰는 동작 · 절차 설명형이 나올 수 있다. 정의형이면 직접 · 기여 · 근본 원인의 구분과 그림 3 분담을, 절차형이면 그림 4 · 5 의 경로 비교 → 조건부 비교 → 확인 실험 순서를 중심에 둔다.
- 개요 — 근본 원인 정의(직접 · 기여 · 근본 원인 · NE-STD-1004-92 2절) · 수율 손실에서 필요한 까닭(조합 원인 · 늦은 테스트)
- 절차 · 분담 — 그림 3 여섯 단계(사람 = 정의 · 후보 · 확정 / 데이터 = 좁히기 · 원인 신호 · 인과 확인) + 단계 표
- 사례 — 그림 4 장비 단독(D2 29.4% · E2 32.0%) ↔ 경로(D2 → E2 56.0%)
- 핵심 원리 — 그림 5 상관 순위와 조건부 비교(벽 온도 0.33 → −0.03) · 인과 그래프 · 인과 가정(Pearl 2009)
- 기법 비교 — 5 Why · 변화 분석 · 경로 비교 · 특징 중요도 · 인과 탐색 · 확인 실험 표
- 한계 · 발전 — 확인 실험으로 닫기 · 절차 원인은 사람 몫 · 제조 RCA 머신러닝 30편 중 CNN 23%(Papageorgiou 2022)
꼭 쓸 키워드
근본 원인직접 원인기여 원인5 Why특성 요인도변화 분석장비 조합조건부 비교인과 그래프확인 실험
다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «상관 2위 신호가 같은 장비 안에서 사라지는» 숫자를 보이는 것이다 — 「AI 로 원인을 찾는다」 한 줄 대신 0.33 → −0.03 으로 데이터 기법이 후보까지만 낸다는 경계를 보인다.
9오해와 사실
- 오해특징 중요도 1 ~ 2위 신호가 근본 원인이다.사실사례의 벽 온도는 상관 0.33 으로 2위였지만 E2 챔버를 가리키는 표지라 E2 안에서 −0.03 이었다 — 인과 결론에는 데이터 밖의 인과 가정이 필요하다(Pearl 2009 2절).
- 오해불량률이 가장 높은 장비를 세우면 원인이 없어진다.사실사례에서 E2 단독은 32.0% 였지만 D1 → E2 는 7.6% 였고, 막을 두껍게 만든 D2 의 정비 절차가 고쳐야 할 원인이었다.
- 오해데이터 분석이 있으면 5 Why 는 필요 없다.사실근본 원인은 고치면 비슷한 사건의 재발까지 막는 원인이라 관리 · 절차까지 거슬러 가야 하고(NE-STD-1004-92 2절), 인정 시험의 빈칸 같은 원인은 센서 표에 나오지 않는다.
10핵심 정리
| 구분 | 맡는 쪽 | 묻는 것 | 사례 값 | 실패 신호 | 넘기는 곳 |
|---|---|---|---|---|---|
| 문제 정의 · 후보 | 사람 | 무엇이 언제 바뀌었나 | 3.2% → 17.8% · 11일 D2 정비 | 후보가 회의 참석자 지식뿐 | 경로 · 공통성 비교 |
| 경로 · 공통성 비교 | 데이터 | 어느 장비 · 조합을 지났나 | D2 → E2 56.0% | 단독 순위 1 · 2위가 비슷 | 원인 신호 |
| 특징 중요도 | 모델 | 무엇이 함께 움직였나 | 막 두께 0.35 · 벽 온도 0.33 | 표지 신호가 위로 | 조건부 비교 |
| 조건부 비교 · 인과 그래프 | 데이터 + 가정 | 같은 장비 안에서도 남나 | 벽 온도 −0.03 · 두께 0.60 | 숨은 변수 · 가정 오류 | 확인 실험 |
| 확인 실험 | 사람 | 바꾸면 불량이 바뀌나 | E2 61초 12/25 · 64초 0/25 | 표본 부족 | 시정 |
| 5 Why · 근본 원인 | 사람 | 고치면 재발까지 막나 | 정비 뒤 인정 시험에 두께 없음 | 직접 원인에서 멈춤 | 시정 · 후속 확인 |
11참고 문헌
- 먼저 볼 문헌
- ★ DOE-NE-STD-1004-92 Root Cause Analysis Guidance Document — 직접 · 기여 · 근본 원인의 정의와 조사 다섯 단계 · 변화 분석 같은 전통 기법 표를 볼 때
- ★ Causal inference in statistics: An overview (Statistics Surveys 3 96-146) — 상관에서 인과로 넘어가려면 왜 인과 가정이 필요한지 · 뒷문 기준을 볼 때
- ★ Identifying ill tool combinations via Gibbs sampler for semiconductor manufacturing yield diagnosis (Proceedings of the 2012 Winter Simulation Conference) — 장비 하나씩 찾는 탐색이 장비 조합 원인을 놓치는 까닭을 볼 때
- ★ A systematic review on machine learning methods for root cause analysis towards zero-defect manufacturing (Frontiers in Manufacturing Technology 2) — 제조 RCA 에 쓰인 머신러닝 방법의 분포와 남은 과제를 볼 때
- 본문 근거
- An Algorithm for Fast Recovery of Sparse Causal Graphs (Social Science Computer Review 9(1) 62-72) — P. Spirtes · C. Glymour · 1991-04 ·
doi.org/10.1177/089443939100900106· 확인 2026-11-12 - Toyota Production System: Beyond Large-Scale Production — T. Ohno · Productivity Press · 2019-12 ·
doi.org/10.4324/9780429273018· 확인 2026-11-12 - NumPy 2.4 Reference numpy.random.default_rng · numpy.corrcoef — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/reference/generated/numpy.corrcoef.html· 확인 2026-11-12